QSPR-QSAR在有機(jī)物危險(xiǎn)特性預(yù)測(cè)中的應(yīng)用.pdf

1、近年來(lái)，隨著我國(guó)經(jīng)濟(jì)和化工產(chǎn)業(yè)的飛速發(fā)展，越來(lái)越多的危險(xiǎn)化學(xué)品出現(xiàn)在生產(chǎn)、經(jīng)營(yíng)、運(yùn)輸及使用中，這無(wú)疑對(duì)人類和社會(huì)帶來(lái)了潛在的威脅，因此對(duì)化學(xué)物質(zhì)進(jìn)行危險(xiǎn)性評(píng)價(jià)顯得越來(lái)越重要。理化性質(zhì)是評(píng)價(jià)化學(xué)品危險(xiǎn)性的重要指標(biāo)，但由于各種原因，目前還沒(méi)有一個(gè)完整的數(shù)據(jù)庫(kù)。定量結(jié)構(gòu)-性質(zhì)/活性關(guān)系(QuantitativeStructure-Property/Activity Relationship, QSPR/QSAR)方法的出現(xiàn)為化學(xué)品的危險(xiǎn)性預(yù)測(cè)

2、提供一個(gè)可靠的手段。一旦建立了可靠的模型，既可以用它來(lái)預(yù)測(cè)新的甚至是尚未合成的化合物的各種性質(zhì)，而且可以在微觀上了解分子結(jié)構(gòu)對(duì)性質(zhì)的影響，這對(duì)新分子的設(shè)計(jì)有一定的指導(dǎo)作用。
　　本論文利用遺傳函數(shù)算法(Genetic Function Approximation，GFA)來(lái)選擇描述符，用多元線性回歸(Multivariable Linear Regression，MLR)的方法建立線性模型;隨后還使用BP神經(jīng)網(wǎng)絡(luò)(Back-Pro

3、pagationNetwork，BPNN)和支持向量機(jī)(Support Vector Machines，SVM)來(lái)建立非線性模型，得到的結(jié)果令人滿意。具體可分為以下幾個(gè)方面的內(nèi)容:
　　(1)闡述了QSPR/QSAR的基本原理、研究步驟以及研究進(jìn)展;詳細(xì)的解釋了BPNN和SVM的基本原理。
　　(2)建立了一個(gè)用于研究脂肪族化合物的急性毒性的QSAR模型。利用GFA選擇分子描述符，分別用MLR和BPNN建立急性毒性與分子描述

4、符之間的線性和非線性模型。測(cè)試集中復(fù)相關(guān)系數(shù)R2分別為0.760和0.814，平均絕對(duì)誤差A(yù)AE為0.314mmol/L和0.296mmol/L，表明非線性模型的擬合度和預(yù)測(cè)精度均優(yōu)于線性模型。該方法提供了一個(gè)基于分子結(jié)構(gòu)預(yù)測(cè)脂肪族化合物急性毒性的新途徑。
　　(3)預(yù)測(cè)了結(jié)構(gòu)類型互不相同的1056種有機(jī)物的燃燒下限。通過(guò)GFA篩選出4個(gè)與燃燒下限密切相關(guān)的結(jié)構(gòu)參數(shù)。MLR和BPNN分別用來(lái)建立線性和非線性模型。測(cè)試集中復(fù)相關(guān)系數(shù)

5、R2分別為0.956和0.978，均方根誤差RMSE分別為0.107vol％和0.077vol％。結(jié)果表明，BPNN模型性能優(yōu)于MLR。
　　(4)運(yùn)用MLR和SVM方法，分別建立了91個(gè)脂肪醇化合物的結(jié)構(gòu)與其閃點(diǎn)之間的線性和非線性的QSPR模型。測(cè)試集中復(fù)相關(guān)系數(shù)R2分別為0.976和0.979，平均絕對(duì)誤差A(yù)AE為2.870K和2.706K。結(jié)果表明，通過(guò)GFA篩選出的3個(gè)描述符能很好的表征脂肪醇化合物的閃點(diǎn)。
　　(5